Выпуск: №3(71) Исследования молодых ученых

Раздел: Психолого-педагогические науки

Опубликовано: 03 марта 2025

Код уникальной десятичной классификации: 372.881.111.1

Автор: Власенков Александр Андреевич

студент 4 курса, Московский городской педагогический университет (МГПУ), г. Москва, e-mail: VlasenkovAA@mgpu.ru

Научный руководитель: Корзун Оксана Олеговна

доцент кафедры английского языка и лингводидактики Института иностранных языков Московского городского педагогического университета (МГПУ)

кандидат педагогических наук, доцент

Аннотация. Работа посвящена применению искусственного интеллекта (ИИ) для разработки разноуровневых заданий по английскому языку. Рассматриваются возможности генеративных нейросетей, таких как GigaChat, в создании и адаптации учебных материалов под уровень подготовки учащихся. Освещаются вопросы автоматизации учебного процесса, персонализации обучения и роли преподавателя в использовании ИИ-технологий. Особое внимание уделяется промтингу как ключевому инструменту эффективного взаимодействия с нейросетями для получения релевантных заданий.

Ключевые слова: искусственный интеллект; разноуровневые упражнения; модальные глаголы; английский язык; индивидуализация обучения.

Актуальность статьи обусловлена многочисленными социальными изменениями, переосмыслением целевых образовательных ориентиров. На смену знаниевому подходу в российском образовании пришел компетентностный подход, который, по мнению О.О. Корзун, Е.А. Савкиной предусматривает переориентацию доминирующей образовательной стратегии с преимущественной трансляции знаний и формирования навыков на овладение комплексом компетенций [10, с. 32]. Изменения, происходящие в обществе, связаны с цифровизацией и активным развитием информационных технологий, что обуславливает обновление образовательных подходов при обучении школьников. Применение искусственного интеллекта (далее – ИИ), в частности, в обучении английскому языку помогает обеспечивать гибкую индивидуализацию, позволяя подстраивать учебный материал под конкретные потребности разных групп школьников. Важность этой задачи подтверждает В.А. Гончарова утверждая, что «ориентир на человечность как своего рода интроспекцию образования естественным образом предполагает усиление автономии образующегося (личностной, индивидной, субъектной)» [8, с. 109]. Искусственный интеллект, в понимании П.В. Сысоева, это «ряд современных технологий, позволяющих компьютеру на основе сбора и анализа больших объёмов данных и программного моделирования разрабатывать и реализовывать методики обучения конкретным дисциплинам по индивидуальной траектории, имитировать речемыслительную деятельность человека для решения учебных, коммуникативных и профессиональных задач, осуществлять автоматизированный контроль овладения обучающимися учебным материалом, предоставлять им обратную связь и осуществлять аналитическую работу» [11, с. 12]. Сказанное напрямую соотносится с заявленным результатом в Федеральный государственный стандарт среднего общего образования (ФГОС СОО), утвержденного Минобрнауки приказом от 29 мая 2017 №613. Так, согласно социальному заказу одним из личностных результатов является готовность и способность обучающихся к построению индивидуальной образовательной траектории [12].

Применение ИИ в образовании изучено довольно подробно. Проанализированы возможности ИИ для создания адаптивных учебных материалов, которые персонализируют процесс обучения [13]. Рассмотрена роль ИИ в разработке дифференцированных заданий [9], что позволяет учитывать уровень подготовки учащихся и их персональные потребности в процессе обучения. В статье автор затрагивает вопрос, каким образом можно было бы использовать возможности искусственного интеллекта при создании разноуровневых / дифференцированных заданий для обучения модальным глаголам английского языка.

Обоснуем выбор модальных глаголов для рассмотрения возможности использования ИИ для создания разноуровневых заданий. Модальные глаголы являются ключевым элементом грамматической системы английского языка и на данный момент широко исследованы в научной и методической литературе. Подробно описаны семантические функции модальных глаголов, рассмотрена их роль в выражении возможности, необходимости и других модальных значений (Coates, 1983) [14], выделены функции модальных глаголов, определяющие их значимость в передаче модальности (Palmer, 1986) [17]. Эти исследования заложили основу для дальнейшего изучения модальных глаголов в контексте их применения в преподавании английского языка как иностранного.

Несмотря на то, что методы преподавания модальных глаголов английского языка хорошо изучены и представлены в литературе, применение дифференцированного подхода с использованием разноуровневых заданий остаётся недостаточно освещённым. Особенно это касается создания дифференцированных заданий с использованием технологий искусственного интеллекта, что позволит персонализировать процесс освоения модальных глаголов посредством учета уровня владения языком и интересов каждого отдельного обучающегося, тем самым повышая индивидуализацию обучения.

По результатам наблюдения за проведением уроков английского языка в ГБОУ «Школа 1179» города Москвы можно отметить отсутствие адаптированных программ, направленных на обучение модальным глаголам с учетом дифференцированного подхода и применением ИИ. Учителя часто ограничиваются стандартными заданиями, неразделёнными по уровням сложности и несоответствующими потребностям отдельного обучающегося, что затрудняет эффективное освоение модальных конструкций. Анализируя ответы обучающихся на уроке, можно сделать вывод о том, что многие из них испытывают трудности при использовании модальных глаголов в письменной и устной речи, зачастую путая их значения и неверно употребляя в контексте предложения, а также отмечают минимальный опыт использования педагогами цифровых технологий, которые помогли бы повысить продуктивность учебного процесса, что свидетельствует о необходимости внедрения новых подходов при обучении грамматике английского языка.

Подчеркивая актуальность исследования, обратимся также к результатам анализа УМК «Starlight» (В. Эванс, К.М. Баранова) для учащихся 10-х классов профильного уровня [1]. Уточним, в УМК есть задания на обучение модальным глаголам, различающиеся по сложности, но при этом их нельзя назвать разноуровневыми, так как такое разделение авторами не предусмотрено, и все задания рекомендованы для последовательного выполнения одним и тем же обучающимся.

В двух компонентах УМК (рабочая тетрадь [2], контрольные задания [3]) упражнения по теме «Модальные глаголы» отсутствуют. В учебнике представлены 3 упражнения (упр. 5, с. 47; упр. 14, с. 172; упр. 15, с. 173), в то время как в сборнике грамматических упражнений выделено 6 заданий  (упр. 1, с. 32; упр. 2 с. 34; упр. 3, 4 с. 35, упр. 9 с. 38, упр. 10 с. 39, исключая раздел «Modal phrases»). Таким образом, общее количество упражнений по теме «Модальные глаголы» составляет 9 единиц, которые можно условно разделить на следующие четыре типа: 1) описание изображений с использованием модальных глаголов; 2) дополнение предложений ограниченным количеством слов с использованием заданных модальных глаголов; 3) переформулирование предложений посредством модальных глаголов с сохранением смысла исходного высказывания; 4) упражнения с выбором ответов.

Эти факты позволяют сделать вывод о необходимости дополнения УМК разноуровневыми заданиями, нацеленными на тренировку и закрепление модальных глаголов. Мысль об адаптации учебных материалов также подтверждает в своей работе С.А. Герасимова, замечая, что «учебник ИЯ должен не просто оперировать информационной базой, а ориентировать на индивидуализацию и дифференциацию учебного процесса, на внедрение современной модели взаимодействия, в которой учебник ИЯ выполняет функцию консультанта и помощника» [5, с. 100].

Для создания разноуровневых заданий возможно использовать генеративно-состязательные сети (далее – ГСС). Согласно определению Ian J. Goodfellow, это «специализированный алгоритм машинного обучения, который основан на комбинации двух нейросетей: G и D. Нейросеть G генерирует данные, а D определяет, сгенерированы ли они G или нет» [15, с. 1]. На практике ГСС часто опираются на архитектуру трансформеров, механизм которой A. Vaswani описывает как «систему, полностью полагающейся на механизм самовнимания для установления широких связей между входными и выходными данными» [19, с. 6001]. Это означает, что в процессе обучения модель не просто запоминает определённые речевые паттерны, но и «учится» выявлять сложные грамматические связи, особенности лексики и стилистические уровни, что даёт возможность генерировать задания, соответствующие реальным языковым практикам.

Отечественным примером подобного подхода является нейросеть GigaChat, разработанная компанией «Сбер». Как указывается в документации для разработчиков, «GigaChat – это сервис, который умеет взаимодействовать с пользователем в формате диалога, создавать тексты и картинки по запросу пользователя. Корпус данных, использованных для обучения, включает в себя книги и новости на русском и английском языках, разговорную речь, научные статьи и другие домены» [6]. Обладая многоязычным корпусом, нейронная сеть GigaChat способна учитывать различные аспекты английского языка, что делает её полезной для создания разноуровневых упражнений, которыми могут быть дополнены существующие УМК.

Разработчики GigaChat также отмечают, что «это генеративная модель, а не поисковая система. Она создает новый ответ с нуля, пишет его сама в реальном времени. Поисковые системы, например Google или Яндекс, ищут готовые материалы, которые были написаны людьми. Они не создают ничего нового. А GigaChat может рассказывать одинаковую информацию разными словами, совсем как человек. Ещё она постоянно узнаёт новое и учится, поэтому ее ответы меняются со временем, по мере роста ее экспертизы». Эта информация позволяет утверждать, что для использования основной для нашей задачи возможности нейронной сети – генерации текста, необходимо обладать базовыми навыками «промтинга», что определяется S. Schulhoff как «процесс предоставления генеративному искусственному интеллекту запроса, на который он затем генерирует ответ. Например, действие отправки текста или загрузки изображения является примером промтинга» [18, с. 7]. В случае с выбранной нами нейронной сетью GigaChat, следует учитывать тип запроса, с которым модель умеет работать. Разработчики выделяют следующую типологию: 1) стандартные промпты; 2) с описанием контекста; 3) с описанием инструкции; 4) с использованием ролей; 5) с использованием примеров. Здесь стоит пояснить четвертый тип запроса. Если речь идет об экспертном мнении, GigaСhat предоставит более качественный ответ, если указать в промпте конкретную сферу деятельности или профессию [7]. Заметим, что при работе с последней моделью нейронной сети возможно выбрать характер взаимодействия с чат-ботом: например, более формальный и научный стиль общения, при котором искусственный интеллект будет фигурировать фактами, концентрируясь на научной аргументации своего ответа больше, чем на проявлении человеческой эмпатии. Исходя из вышеизложенной информации, пользователь может настроить чат-бот для более продуктивной и персонализированной работы с контекстом, что соотносится с ключевой особенностью ГСС в рамках темы нашего исследования – учет индивидуальных особенностей и потребностей учителя, как разработчика контента.

Теперь рассмотрим возможности GigaChat, которые направлены непосредственно на обучающихся, оперируя утверждением С.П. Елшанского о том, что «задача искусственного интеллекта – оценить когнитивную готовность каждого ученика к обучению, адаптировать учебный материал под когнитивные особенности учащегося, выстроить правильную образовательную траекторию» [9, с. 198]. Учителю прежде всего важно иметь четкое представление о том, как это утверждение может быть реализовано на практике. Одной из ключевых возможностей выделяют диагностику знаний учащегося. Учитель вместе с ИИ может достаточно оперативно отследить, где чаще всего школьник допускает ошибки (например, при выборе нужного модального глагола в условных конструкциях) и какие лексические темы вызывают систематические затруднения. Однако здесь необходимо оговорить тот факт, что ни одна нейронная сеть на данный момент не способна продемонстрировать человеческую наблюдательность и эмпатию, которые бы проявил педагог, который, зная ситуацию в классе, умеет учитывать её социальный, эмоциональный и мотивационный контекст. ИИ-модель при всём своём потенциале все еще не может объяснить, почему конкретный ученик может быть более или менее активен на разных занятиях, а также иногда затрудняется различить тонкие культурные оттенки тех или иных языковых конструкций, если эти оттенки не были представлены в тренировочных данных.

Последнее замечание позволяет нам согласиться со словами Łodzikowski K, который отмечает, что «ИИ способен анализировать разные аспекты языка и когнитивные способности учащегося, обеспечивая понимание его индивидуальных сильных и слабых сторон» [16], и при этом утверждать, что потенциал нейросети может быть полноценно реализован только в случае осознанного взаимодействия педагога и описанной технологии. Так, контент, сгенерированный нейронной сетью подвергается контролю и, в случае необходимости, корректировке со стороны преподавателя с целью соответствия Федеральной рабочей программе, а также содержанию компонентов УМК, которые используются для обучения в конкретной образовательной организации.

В заключение статьи выделим основные тезисы, которые были сформированы при изучении теоретической базы и обработке эмпирических данных и служат «отправной точкой» нашего исследования:

• Искусственный интеллект обладает потенциалом в обучении школьников модальным глаголам английского языка посредством разноуровневых заданий, который обусловлен основной возможностью ГСС – генерацией уникального текста с учетом индивидуального запроса пользователя.
• Эмпирические данные, такие как анализ УМК и анкетирование обучающихся, указывают на необходимость дополнения учебных материалов подобными заданиями с целью полного соответствия образовательных задач с нормами ФГОС и ФРП СОО.
• Нейросеть GigaChat, как отечественный аналог, подходящий для реализации поставленных задач, является самостоятельной моделью, однако для эффективной интеграции в образовательный процесс требует продуктивного взаимодействия с преподавателем ИЯ для обеспечения качественной аналитики знаний обучающихся и индивидуального подхода в обучении, что говорит о необходимости освоения преподавателями дополнительных навыков работы с искусственным интеллектом.

Список литературы:

1. Английский язык. 10 класс: учеб. для общеобразоват. организаций: углубл. уровень / К.М. Баранова, Д. Дули, В.В. Копылова и др. 7-е изд. М.: Express Publishing: Просвещение, 2019. 200 с.
2. Английский язык. 10 класс: рабочая тетрадь для общеобразоват. организаций: углубл. уровень / К.М. Баранова, Д. Дули, В.В. Копылова и др. 6-е изд. М.: Express Publishing: Просвещение, 2016. 112 с.
3. Английский язык. Контрольные задания. 10 класс: учеб. пособие для общеобразоват. организаций: углубл. уровень / К.М. Баранова, Д. Дули, В.В. Копылова и др. 3-е изд. М.: Express Publishing: Просвещение, 2017. 40 с.
4. Английский язык. Сборник грамматических упражнений. 10 класс: учеб. пособие для общеобразоват. организаций и школ с углубл. изучением англ. яз. / Р.П. Мильруд. 2-е изд. М.: Express Publishing: Просвещение, 2018. 80 с.
5. Герасимова С.А. Архитектоника индивидуально ориентированного учебника иностранного языка // Вестник МГПУ. Серия: Филология. Теория языка. Языковое образование, 2016. №4(24). С. 95-103.
6. GigaChat: информационный ресурс для разработчиков. (дата обращения: 21.01.2025).
7. GigaChat: официальный сайт нейронной сети. (дата обращения: 21.01.2025).
8. Гончарова В.А. Тенденции современного образования: от проблем к возможностям // Проблемы современного образования, 2021. №5. С. 101-115.
9. Елшанский С.П. Школа будущего: может ли искусственный интеллект обеспечить когнитивную эффективность обучения? // Вестник Томского государственного университета, 2021. №462. С. 192-201.
10. Корзун О.О., Савкина Е.А. Формирование исследовательской компетенции студентов – будущих учителей английского языка // Среднее профессиональное образование, 2019. №3. С. 32-35.
11. Сысоев П.В. Принципы обучения иностранному языку на основе технологий искусственного интеллекта // Иностранные языки в школе, 2023. №3. С. 6-17.
12. Федеральный государственный стандарт среднего образования: приказ от 29 мая 2017 №613. (дата обращения: 21.01.2025).
13. Холмс У. Искусственный интеллект в образовании: перспективы и проблемы для преподавания и обучения. М.: Альпина PRO, 2022. 304 с.
14. Coates J. The Semantics of Modal Auxiliaries // London: Croom, Helm Context and Cognition; Amsterdam: John Benjamins. 1983.: 27-64.
15. Goodfellow I. Generative adversarial nets / Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza [and others] // Advances in Neural Information Processing Systems, 2014. №3(11). (дата обращения: 21.02.2025).
16. Łodzikowski K., Foltz P., Behrens, J.T. Generative AI and its educational implications // Trust and Inclusion in AI-Mediated Education: Where Human Learning Meets Learning Machines. Cham: Springer Nature Switzerland, 2024.: 35-57. (дата обращения: 20.01.2025).
17. Palmer F.R. Mood and modality. Cambridge: Cambridge University Press, 1986.: 240-243. (дата обращения: 20.01.2025).
18. Schulhoff S. The Prompt Report: A Systematic Survey of Prompting Techniques / Sander Schulhoff, Michael Ilie, Nishant Balepur [and others] // Cornell University: https://arxiv.org/ (website). 2024. 80 p. (дата обращения: 21.01.2025).
19. Vaswani A. Attention is all you need / Vaswani A., Shazeer N., Parmar N. and others // NIPS'17: Proceedings of the 31st International Conference on Neural Information Processing Systems. New York: Curran Associates Inc., 2017.: 6000-6010. (дата обращения: обращения: 21.01.2025).

Possibilities of using artificial intelligence in creating multilevel tasks for teaching modal verbs in English

Vlasenkov A.A.,
student of 4 course of the Moscow City University, Moscow

Research supervisor:
Korzun Oksana Olegovna,
Associate Professor of Chinese Language, Institute of Foreign Languages of the Moscow City University, Candidate of Philological Sciences, Associate Professor

Abstract. The paper explores the application of artificial intelligence (AI) in developing differentiated tasks for teaching English. It examines the potential of generative neural networks, such as GigaChat, to create and adapt educational materials based on students’ proficiency levels. The study addresses the automation of the learning process, personalized education, and the teacher’s role in utilizing AI technologies. Special focus is given to prompting as a key tool for effective interaction with neural networks to generate relevant tasks.
Keywords: artificial intelligence, differentiated tasks, modal verbs, English language, personalized learning.

References:

1. English. Grade 10: Textbook for general education organizations: advanced level. / Baranova, K.M., Dooley, D., Kopylova, V.V. [and others]. 7th ed. Moscow: Express Publishing: Prosveshchenie, 2019. 200 p.
2. English. Grade 10: Workbook for general education organizations: advanced level. / Baranova, K.M., Dooley, D., Kopylova, V. V., [and others]. 6th ed. Moscow: Express Publishing: Prosveshchenie, 2016. 112 p.
3. English. Grade 10: Control assignments: Textbook for general education organizations: advanced level. / Baranova, K. M., Dooley, D., Kopylova, V. V., [and others]. 3rd ed. Moscow: Express Publishing: Prosveshchenie, 2017. 40 p.
4. English. Grade 10: Collection of grammar exercises: Textbook for general education organizations and schools with advanced English studies. / Milrud R.P. 2nd ed. Moscow: Express Publishing: Prosveshchenie, 2018. 80 p.
5. Gerasimova S.A. Architectonics of a personalized foreign language textbook // Vestnik MGPU. Series: Philology. Language Theory. Language Education, 2016. №4(24).: 95-103.
6. GigaChat: Developer resource. (date of the address: 21.01.2025).
7. GigaChat: Official website. (date of the address: 21.01.2025).
8. Goncharova V.A. Trends in modern education: From problems to opportunities // Problems of Modern Education, 2021. №5: 101-115.
9. Yelshansky S.P. The School of the Future: Can Artificial Intelligence Ensure Cognitive Learning Efficiency? // Tomsk State University Bulletin, 2021. №462.: 192-201.
10. Korzun O.O., Savkina E.A. Formation of research competence in students—future English teachers // Secondary Vocational Education, 2019. №3.: 32-35.
11. Sysoyev P.V. Principles of teaching a foreign language based on artificial intelligence technologies // Foreign Languages at School, 2023. №3.: 6-17.
12. Federal State Standard of Secondary Education: Order dated May 29, 2017, №613. (date of the address: 21.01.2025).
13. Holmes W. Artificial Intelligence in Education: Prospects and Challenges for Teaching and Learning. Moscow: Alpina PRO, 2022. 304 p.
14. Coates J. The Semantics of Modal Auxiliaries // London: Croom, Helm Context and Cognition; Amsterdam: John Benjamins. 1983.: 27-64.
15. Goodfellow I. Generative adversarial nets / Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza [and others] // Advances in Neural Information Processing Systems, 2014. №3(11). (date of the address: 21.02.2025).
16. Łodzikowski K., Foltz P., Behrens, J.T. Generative AI and its educational implications // Trust and Inclusion in AI-Mediated Education: Where Human Learning Meets Learning Machines. Cham: Springer Nature Switzerland, 2024.: 35-57. (date of the address: 20.01.2025).
17. Palmer F.R. Mood and modality. Cambridge: Cambridge University Press, 1986.: 240-243. (date of the address: 20.01.2025).
18. Schulhoff S. The Prompt Report: A Systematic Survey of Prompting Techniques / Sander Schulhoff, Michael Ilie, Nishant Balepur [and others] // Cornell University: https://arxiv.org/ (website). 2024. 80 p. (date of the address: 21.01.2025).
19. Vaswani A. Attention is all you need / Vaswani A., Shazeer N., Parmar N. and others // NIPS'17: Proceedings of the 31st International Conference on Neural Information Processing Systems. New York: Curran Associates Inc., 2017.: 6000-6010. (date of the address: обращения: 21.01.2025).